跳到正文
11月16日周一
  1. arXiv · ML37

    按文件大小与单任务能耗选择量化代码 LLM

    一项针对 Qwen2.5-Coder 在 MacBook Air M2 上的评估表明,在 1 至 2 GB 文件大小区间,选择 q4_K_M 格式优于大模型低精度选项。 测试显示 3B 模型在 2 GB 档位的正确性与能耗表现均达前沿水平,而 7B-q2_K 在 3 GB 档位能耗增加但无显著正确率提升。 该研究为本地部署代码助手提供了基于 Ollama 文件大小的具体选型指南。

  2. arXiv · AI26

    GraphScent: 校准方向性相关信号以实现有界上下文代码定位

    研究揭示 Gemma 4 模型在零温度下对上游调用方的相关得分能显著区分真实结构邻居与干扰项,而对下游调用方得分接近随机。基于此发现,提出免训练的 GraphScent 搜索控制器,通过传播关系条件对数似然比在运行时 Typed-AST 多图上定位缺陷。该方法在单 GPU 预算下,将 31B 模型在词汇困难目标上的精确定位准确率从 12.8% 提升至 23.4%。

  3. arXiv · AI23

    时间一致性评估 SWE Agent 的层级代码图

    在零泄漏协议下,ServiceExplorer 层级依赖图在 6 个基础模型、100 个 PR 的评估中,相对 F1 提升 15.6% 至 86.2%,显著优于基线与 Tree-sitter AST。 该图捕捉两级架构模块,使旧代模型性能超越下一代模型未增强基线,验证了上下文增强在 SWE Agent 中的核心价值。

11月14日周六
  1. Google Research85

    Google Research 发布 Antigravity /teamwork 多智能体协作功能及最新科研成果

    Google Research 宣布在 Antigravity 平台开放 /teamwork 多智能体协作功能,并展示了其在数学证明、分子化学发现及代码优化等领域的最新应用成果。

    推荐理由:原文展示了多智能体在数学证明、分子发现和代码迁移中的实际应用,读者可据此评估其在科研和工程领域的可用性。

11月13日周五
  1. arXiv · AI20

    STRATOS:弥合气象数据时空 Text-to-SQL 中符号到数值的鸿沟

    针对通用 Text-to-SQL 在处理 Copernicus 气象数据时因符号-数值鸿沟失效的问题,STRATOS 框架通过空间语义消歧实现端到端转换。 该框架利用局部本体映射模糊概念,外部知识库解析空间实体,复杂度感知重写器将执行时间从小时级缩短至秒级。 研究构建了包含 7,520 个专家设计复杂查询对的 STRATOS Evaluation Workload,旨在测试此前未被探索的时空维度。

  2. arXiv · AI34

    开源项目分析:AI 代理编写的代码是否会被迅速废弃?

    对 215 个开源仓库 2794 个已合并 PR 的生存分析表明,AI 代理编写的代码并非“即弃品”。按等权重计算,Copilot 和 Codex 编写的代码修改滞后于人工代码(HR = 0.83),而 Devin 的代码无显著差异。 修改意图与人工代码相似(Cramer's V = 0.080),文件大小预测被修改概率优于代码特征(AUC-ROC 0.78 vs. 0.70)。

  3. arXiv · AI23

    DAISY: 面向 Dafny 的故障引导断言推理

    针对 Dafny 形式化验证中人工编写辅助断言耗时且难的问题,DAISY 提出故障引导断言推理方法。 工具利用验证器诊断或 LLM 定位断言位置,生成候选断言并运行验证器校验。在扩展的 DafnyBench 上,DAISY 对单条缺失断言程序的验证成功率为 86%。 该方法证明了 LLM 能修复大量验证失败,且成功修复的断言常不同于原断言,降低了证明工程成本。

  4. arXiv · AI32

    AgentRoom:基于 CRDT 共享工作区的并发多智能体编码协议

    AgentRoom 提出一种实时协作编辑协议,通过 CRDT 合并共享文件系统支持并发多智能体编码,并在 Python DevBench 和 Rust+axum 任务上展示效果。协议将文件级 claim、状态和广播暴露为 MCP 工具,5 个前沿 coding-CLI 模型完成 4 项后端编码任务。协调而非并行或 CRDT-merge 是关键设计选择;该文已被 NeurIPS 2026 接收。

  5. arXiv · AI52

    LEAP:基于代理框架提升LLM形式化数学推理能力

    LEAP是一个代理框架,利用通用基础模型的推理和迭代自我优化能力,通过持续与Lean编译器交互实现形式化定理证明的最先进水平。在2025年Putnam竞赛中,LEAP解决了全部12道题目;在作者新提出的Lean-IMO-Bench基准上,LEAP将通用LLM的一次性形式化解题率从不足10%提升至70%,显著超过了专业IMO系统48%的成绩。

  6. arXiv · AI80

    GrandCode:通过智能体强化学习在竞技编程中达到特级大师水平

    GrandCode 是一套多智能体强化学习系统,在 2026 年 3 月的 Codeforces Round 1087、1088 和 1089 三场正式比赛中均排名第一,击败所有人类选手。该系统通过联合训练多个智能体模块(如假设生成、求解器、测试生成和总结)进行在线推理时强化学习,并引入了专为多阶段智能体轨迹设计的 Agentic GRPO 算法来处理延迟奖励和离策略漂移。

    推荐理由:原文提出了针对多智能体延迟奖励的 Agentic GRPO 方法,并展示了系统在三场 Codeforces 比赛中全部夺冠的实测结果。

  7. arXiv · AI23

    小语言模型引导生成Linux内核语义补丁的研究

    研究利用Qwen2.5-Coder 7B等小语言模型生成Coccinelle语义补丁,平均解决35.3个内核迁移转换任务,远超直接提示时的1.0个。模型输出的规则在测试集上精确度最高(0.74),优于Spinfer(0.55)和前沿LLM智能体(0.70),并通过编译批评者剔除无效规则。 研究基于预注册测试集评估7个API迁移,涉及122个留出驱动转换,所有代码、提示词及结果已开源发布。

  8. arXiv · AI34

    Agentic 符号执行:AI 智能体辅助 CrossHair 发现 1050 个 Python 开源应用漏洞

    设计了一种协调 CrossHair 与 AI 编码智能体的 Agentic 框架,在无人工干预下自动插桩断言并合成约束感知数据库环境。 在 11 个开源 Python Web 应用的 1,156,044 行代码中,该管道发现 1,050 个可复现漏洞,其中 221 个由 CrossHair 独立发现,312 个为纯 LLM 代码审查基线所遗漏。

  9. arXiv · AI20

    结果优于学习?学生使用 AI 代码助手编写单元测试的证据

    用户研究发现,在编写单元测试时,多数学生倾向于要求 AI 一次性直接生成完整代码,而非参与编写过程。 这种策略虽能高效完成任务,但导致学生从关注“如何编写”转向关注任务完成,因缺乏对 AI 输出的批判性评估与迭代,可能错失培养关键思维能力及负责任使用 AI 的机会。 研究者讨论通过培训、问责和改进的学习任务设计,将学生关注点从结果转向学习。

  10. arXiv · NLP35

    PECA:小语言模型临床推理的可微长度控制

    研究提出参数高效简洁性适应(PECA)方法,将可微简洁性项加入QLoRA监督微调目标,无需偏好数据或辅助模型。 在1.7B参数模型上,PECA使平均响应长度降低72.8%,多选题诊断准确率从40.8%提升至44.0%。 方法实现了简洁度与诊断完整性的可解释权衡,适用于资源受限的临床场景。

  11. arXiv · AI33

    EvoTrias:智能体程序演化的分权架构

    提出 EvoTrias 架构,通过治理、提议与评判的分权解决智能体程序演化中的权限错配问题,在数学及系统设计等基准测试中刷新 SOTA 记录。 该架构通过类型化合约与运行时钩子强化边界,支持作为插件将现有代码智能体转化为演化系统,并验证了各权限模块的独立价值。 治理与提议的分离将 token 成本降低 64%,开放提议使演化范围扩展至 68 万行工业级代码库,保护评判确保基准分数在迁移中的忠实性。

  12. arXiv · AI45

    编码智能体在早期解决任务但停止过晚:终止滞后现象研究

    研究揭示编码智能体存在终止滞后现象,38%至82%的成功运行在首次编辑时即获得正确补丁,但智能体仍继续运行。 Qwen3-Coder在SWE-bench Verified等数据集上的解决后步骤占比中位数为35%至37%,Laguna-XS.2为54%至60%。 这部分额外步骤主要用于验证和探索,1%至8%的情况会导致智能体撤销正确的补丁。

  13. arXiv · ML35

    AI 编码智能体递归自我改进的平稳性二分法:应审查架构而非检查点

    研究指出评估 AI 编码智能体时,仅关注模型权重冻结与否是不完整的,应同时跟踪其脚手架(工具、测试等)的变化。 实验表明,在同一模型族中的 30 个智能体共同测试时,多数投票机制在 55 个任务中未能解决 23 个(42%),且随着修改轮次增加,收益递减趋近于零。

  14. arXiv · ML25

    COSAC: 序列合作团队中的反事实信用分配框架

    COSAC 提出了一种无批评者的策略梯度框架,用于序列合作团队的反事实信用分配,通过岭回归分解团队奖励并计算反事实优势。 该方法在共识科学推理上将训练遗憾降低 17%,在 Python 编码上较 MA-GRPO 降低 61%,支持团队规模高达 K=16 的序贯 bandits 测试。 论文即将发表于 NeurIPS 2026,解决了现有无批评者方法中信号耦合队友噪声或方差随团队规模指数增长的问题。

  15. arXiv · ML35

    GPT 如何影响代码审查流程

    GPT 辅助 GitHub 拉取请求(PR)可将中位解决时间缩短 60% 以上。 研究显示,GPT 辅助使审查时间减少 33%,等待时间减少 87%。 主要用例为代码优化(60%)、缺陷修复(26%)及文档更新(12%)。

  16. OpenAI Codex Releases30

    OpenAI Codex v0.168.0 更新日志

    OpenAI Codex 发布 v0.168.0 更新,新增 TUI 侧边对话窗口、音频录制附件及 GIF 动画生成功能。 支持在 tmux 中显示图像预览,修复本地 MCP 服务器资源占用问题,并优化模型提供商配置与 TUI 历史筛选逻辑。

11月12日周四
  1. AWS Machine Learning Blog42

    AWS Quick 推出 AI-PDLC 框架,六智能体加速产品开发

    AWS Quick 利用六个专用 AI 智能体构建 AI-PDLC 框架,协助团队加速产品开发。该框架整合企业数据,从客户信号生成经过验证的原型规范。 每个阶段都保留人工审批,Orchestrator 负责调度专项智能体。产出 prototype_spec.md 供 Kiro 或 Claude Code 等编码智能体执行开发。